画图不易，有用就点个赞
这里创建了一个随机张量，形状为 (4, 3, 4, 4)，分别对应
形状为 (batch_size, num_channels, height, width)
batch_size：批次
num_channels： 通道（什么是通道看上一章节）
python
input_tensor = torch.randn(4, 3, 4, 4)创建了个下面这样子的东西
计算归一化是需要参考值的，因为需要知道最大值最小值，已经参与计算的数量，参考值来自于哪里呢，如下
合并起来，可以看到 num_channels = 3，所以分别计算3次
计算均值和方差公式如下：
看不懂是不是，我也看不懂，举个简单的例子
假设一批数字为 3, 7, 2, 9, 4
均值
方差
然后进行归一化
计算完之后形状不会改变，只是值变了而已，上面新的数字组合起来均值接近0，方差接近1。其实认识这个计算过程意义不是很大，你就当在实际模型运算的时候，肯定会产生一些很大的值很小的值，假如生成的数据区间在 50，120 ，我们需要将这些值传入到激活函数里面，把 50 到120 传sigmoid激活函数里面，基本上都是0.9999...，数据之间根本没差异。
sigmoid函数，不进行归一化
sigmoid函数，归一化，将数字移动到激活函数有明显变化的区域，这就有差异了，充分发挥了激活函数的作用
